周末小项目 HackerTube：用 Claude 把 HN 二十年 4300 万条评论筛成 6454 个视频

2026-11-02

周末小项目：HackerTube。YouTube 的推荐让我很烦，所以我让 Claude 把 HN 二十年来的 4300 万条评论过滤成 6,454 个被反复推荐的视频。观看体验*明显*更好，用 Opus 5.5 花了约 2 小时：https://hackertube.org —— 很棒

Karpathy 用 Claude 对 Hacker News 二十年积累的 4300 万条评论做过滤，提炼出被反复推荐的 6454 个视频，做成 HackerTube，称观看体验明显更好，耗时约 2 小时。

这是什么信号

Karpathy 公布的是一条很小的周末项目记录：他不满 YouTube 的推荐，于是让 Claude 阅读 Hacker News 二十年间约 4300 万条评论，筛出其中被反复推荐的 6454 个视频，做成了 hackertube.org。真正值得注意的不是这个站点本身，而是它示范的工作方式——用大模型去「压缩」一个已经存在的高质量人类讨论语料，从中提取共识，而不是让模型生成新内容。

为什么重要

平台推荐系统优化的目标通常是平台侧的观看时长，而不是单个用户的信息密度。Hacker News 的评论区则相反：它是长期沉淀下来的、由技术人群自发投票形成的语料，一条视频如果被不同年份、不同帖子反复提起，本身就是一种跨时间的信号。Claude 在这里承担的是大规模过滤与聚合——这恰好是当前模型相对可靠的能力区间：不需要它创作，只需要它在海量文本里识别「哪些条目被反复推荐」。这也说明，推荐质量的上限未必取决于算法多复杂，而取决于你手上有没有别人没有的语料。

对谁有价值

三类人最容易从中获益：一是对内容信噪比敏感的重度消费者，他们想要的是「被同行反复验证过的清单」，而不是算法投喂；二是做垂直榜单、内容聚合、站内推荐的开发者，这条路径可以低成本复制到任何有长期讨论沉淀的领域；三是正在评估「模型能干什么实事」的团队，这个案例给出了一个不依赖模型生成能力、只依赖模型阅读能力的落地样本。

可以怎么行动

第一步，找一个你所在领域的高质量讨论语料——垂直论坛、开源项目的 issue 区、邮件列表、社群历史记录都可以，判断标准是「有人认真争论过」。第二步，用模型做抽取而非总结：让它在全量语料里标注被多次提及、被明确推荐的条目，并记录提及次数与上下文。第三步，先用小样本跑通规则和提示词，确认漏检和误判的模式，再决定是否投入全量处理，因为 4300 万条评论级别的处理成本和时间在原文中并未披露。第四步，把提示词、过滤阈值、去重逻辑沉淀成可复用的处理流程，下次换领域只需要换语料。

风险与限制

需要清醒的部分：原文只给了结果，没有给评估——没有说明 6454 这个数字是怎么卡出来的，也没有交代漏掉了什么。模型过滤天然存在漏检和偏好偏差，而 HN 语料本身也有明显的群体口味偏向，筛出来的「共识」只是那个社群的共识。视频链接还会面临失效与版权问题。更现实的是，一个周末做出来的 hack 和长期可维护的产品之间隔得很远，把它当成方法论样本比当成产品模板更稳妥。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 x.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《周末小项目 HackerTube：用 Claude 把 HN 二十年 4300 万条评论筛成 6454 个视频》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。